基于深度光照估计的照片增强方法

6849基于深度光照估计的王瑞兴1、张晓庆2、傅 志永1、沈晓勇3、郑伟诗2、贾佳雅1、3、1、香港中文大学2、中山大学3、腾讯优图实验室摘要本文提出了一种新的神经网络增强曝光不足的照片。我们没有像以前的工作那样直接学习图像到图像的映射，而是在我们的网络中引入中间照明来将输入与预期的增强结果相关联，这增强了网络基于这个模型，我们制定了一个损失函数，该函数采用了光照的约束和先验知识，准备了一个包含3,000个曝光不足图像对的新数据集，并训练网络有效地学习各种光照条件下的各种调整。通过这些方法，我们的网络能够恢复清晰的细节，鲜明的对比度，和自然的颜色在增强的结果。我们在基准MIT-Adobe FiveK数据集和我们的新数据集上进行了广泛的实验，并表明我们的网络可以有效地处理以前具有挑战性的图像。1. 介绍在社交网络上共享照片是非常普遍的，这是由于在各种设备（特别是手机）上容易获得的相机。然而，由于低光和背光，拍摄的照片可能会曝光不足;参见图1（a）的例子。这样的照片不仅看起来令人不愉快并且无法捕捉用户期望的内容，而且还挑战了许多基本的计算机视觉任务，例如分割、对象检测和跟踪，因为曝光不足的区域具有几乎不可见的细节和相对低的对比度以及暗淡的颜色。严重曝光不足的照片增强是一项挑战性的任务，因为曝光不足的区域通常是不可感知的，并且增强过程是高度非线性和主观的。虽然存在允许用户交互地调整照片的软件，但对于非专家来说，这是相当繁琐和困难的，因为它需要同时操纵像颜色和对比度这样的控件，同时精细地调整照片中的各种对象和细节几联合第一作者(a) 输入（b）iPhone(c) 自动调光（d）我们的结果图1：通过各种工具（b）-（d）增强的具有挑战性的曝光不足照片（a）。我们的结果包含更多的细节，鲜明的对比度和更自然的颜色。最近的工具为用户提供了一种自动化的功能，以仅通过一次点击来增强照片，例如，iPhone上的“自动增强”和Lightroom中的“自动色调”。这些工具不会极大地改变图像对比度（和曝光），并且由于在调整中自动平衡各种因素的固有困难，在严重曝光不足的图像上可能失败;见图1另一方面，研究界提出了各种方法来解决这个问题。 早期的工作[34，25，32，11，26，4]主要集中在对比度增强，这可能不足以恢复图像细节和颜色。最近的工作[16，17，13，9，15，22]采用数据驱动的方法来同时学习颜色，对比度，亮度和饱和度方面的调整，以产生更具表现力的结果。我们注意到现有的方法在严重曝光不足的图像上仍然有各自的局限性;参见图2。本文提出了一种新的端到端网络，用于增强曝光不足的照片。特别是，我们设计的网络不是直接学习图像到图像的映射，而是首先估计图像到照明的映射6850(a) 投入（b）WVM [11]（c）JieP [4]（d）HDRNet [13](e)DPE [9]（f）白盒[15]（g）失真和恢复[22]（h）我们的结果图2：通过各种方法（b）-（h）增强的另一张曝光不足的照片（a）。在各种结果中存在图像细节不清晰、用于对变化的光照条件进行建模，然后获取光照图以照亮曝光不足的照片。通过这种方法，我们使学习过程有效，并推断出丰富多样的摄影调整。此外，采用基于双边网格的上采样方法降低计算成本，并设计了一个损失函数，该函数采用了各种光照约束条件和先验知识，从而可以有效地恢复曝光不足的照片，使其曝光自然我们还预先收集了一个包含3,000张曝光不足照片的新数据集，这些照片涵盖了不同的光照条件，以补充现有的基准数据。下面，我们总结一下这项工作的主要贡献。• 我们提出了一个网络，通过估计图像到照明映射来增强曝光不足的照片-ping，并设计了一个新的损失函数的基础上，各种照明约束和先验。• 我们准备了一个包含3,000张曝光不足图像的新数据集，每张图像都有专家修饰的参考。• 我们使用现有的和新的数据集对我们的方法进行评估，并定性和定量地证明了我们的方法的优越性。2. 相关工作照片增强在计算机视觉和图像处理领域有着悠久的历史。一个开创性的方法是著名的直方图均衡化，它扩大了动态范围，提高了图像对比度。它的局限性是显而易见的，在整个图像中的全局调整的对比度。基于Retinex的方法假设图像可以分解为反射率和光照（或阴影）的像素级乘积，基于Retinex的方法[19]将反射分量作为增强图像的合理近似。因此，照片增强可以被公式化为照明估计问题，其中估计照明以增强曝光不足的照片[27，11，31，14，4，33]。然而，由于跨颜色通道的我们的工作还考虑了照明估计，但它在两个方面的先进性。首先，神经网络通过利用不同照明条件下的大量照片来学习照明，并对各种各样的摄影调整进行建模。其次，我们的方法能够从多通道照明的非线性颜色基于学习的方法最近在照片增强方面的努力主要是基于学习的。例如，By- chkovskyet al. [3]提供了第一个也是最大的数据集MIT-Adobe FiveK，其中包含用于色调调整的输入和专家修饰图像对。Yan等人[28]介绍一种用于自动增强照片中的颜色的机器学习排序方法。Yan等人[29]构建语义图以实现语义感知的照片增强。Lore等人[21]提出了一种基于深度自动编码器的方法用于低光图像增强，而Gharbi等人。[13]介绍了实时性能的双边学习Yang等[30]使用深度往复HDR变换校正LDR图像Cai等人[5]从多次曝光图像中学习了对比度增强器。最近，Chenet al. [9]开发了一种基于双向生成对抗网络（GANs）的照片增强非配对学习模型，而Ignatov等人。[18]设计了一个弱监督的基于图像到图像的GAN网络。此外，Denget al. [10]实现美学驱动6851下采样局部特征提取器编码器网络InputIi平滑度损失fiS重建损失fiRIi = S颜色损失fiC全局特征提取器基于双边网格低分辨率光照预测专家修饰的Ii全分辨率增强图像全分辨率照明S图3：我们的网络概览。首先，我们将输入下采样并编码到特征图中，提取局部和全局特征，并将它们连接起来以通过卷积层预测低分辨率照明。然后，我们对结果进行上采样以产生全分辨率多通道照明S（热颜色图），并将其用于恢复全分辨率增强图像。我们训练端到端网络以从具有三个损失分量{Li，Li，Li}的图像对{Ii，Iii}学习S。r s c通过对抗学习进行图像增强，而Chenet al. [6]通过使用新数据集直接对原始传感器数据进行操作来解决极端低光成像问题。还采用强化学习来增强图像调整过程[15，22]。我们的方法是现有的基于学习的方法在两个方面的补充。首先，我们估计照明映射，不像其他基于图像到图像回归的映射。其次，我们的新数据集完全适合曝光不足的照片增强，这补充了其他基准数据集，并提供了更多的真实世界的例子，在不同的照明条件。3. 方法3.1. 图像增强模型基本上，图像增强任务可以被视为寻找映射函数F，使得I=F（I）是从输入图像I增强的期望图像。在最近的基于Retinex的图像增强方法[11，14]中，F的逆通常被建模为照明图S，其与像素中的反射图像I相乘明智的方式来产生观察到的图像I：I=SI，（1）其中n表示逐像素乘法。与[11，14]类似，我们也将反射率分量Iλ视为曝光良好的图像，因此在我们的模型中，我们将Iλ作为增强结果，I作为观察到的未曝光图像。曝光不足的图像。一旦S已知，我们可以通过F（I）=S−1<$I得到增强结果I<$。与现有的工作[11，14]不同，我们将S建模为多通道（R，G，（2）用数据代替单通道数据，以提高其在建模色彩增强中的竞争力，特别是在处理跨不同色彩通道的非线性时。为什么这种模式有效？通过在我们的网络中引入中间照明，我们训练网络学习图像到照明（而不是图像到图像）映射。关键的优点是，自然图像的照明图通常具有相对简单的形式与已知的先验。该网络具有较强的泛化能力，并能有效地训练学习复杂的摄影调整，适应不同的光照条件。此外，该模型能够通过制定照明约束来定制增强结果。例如，可以通过强制局部平滑照明或通过约束照明幅度来设置优选曝光水平来增强对比度。3.2. 网络架构图3显示了我们网络的流水线，具有两个主要优势：有效学习光照映射和高效网络计算。有效学习增强曝光不足的照片需要调整两个局部（例如，对比度、细节锐度、阴影和高亮）和全局特征（例如，色差、平均亮度和场景类别）。 我们从编码器网络生成的特征中考虑局部和全局上下文;参见图3（顶部）。 为了驱动网络从输 入 曝 光 不 足 图 像 （ Ii ） 和 相 应 的 专 家 修 图 图 像（Ii），设计了一个损失函数，在光照和重建方面具有平滑性6852i=1我x，cy，cIcRRSRSCr scRXpcL=ωypcInputNaive RegressionLiLi+LiLi+Li+Li专家修饰图4：消融研究证明了损失函数中每个组件（Li、Li和Li）的有效性。r s c以及增强图像上的颜色损失;参见图3（下）。这些策略有效地从（Ii，Ii）学习S，通过丰富的照片图形调整恢复增强的图像高效的采样我们学习局部和全局特征，用于预测低分辨率下的图像到照明映射，并执行基于双边网格的上采样[8，7，12，13]，以将低分辨率预测扩大到全分辨率;请参见图3。因此，大多数网络计算是在低分辨率域中完成的，从而能够实时处理高分辨率图像。3.3. 损失函数我们从一组N个图像对{（Ii，Ii）}N中学习照明映射. 它产生S和增强结果F（I）=S−1*I。我们设计了一个损失函数L，它由三个分量组成，并在网络期间最小化它。工作培训。表达为ΣNL=ωrLi+ωsLi+ωcLi，（2）i=1而将1设置为S图4显示了消融研究结果，证明了损失函数中各种成分的影响对比图中的第2和第3幅图像，我们观察到通过最小化重建损失，结果中的细节更清晰，对比度更好。它明显优于朴素的图像到图像回归，后者直接回归输出图像，而不估计我们网络中的中间照明（见图3）。虽然重建损失增强的图像看起来与专家修饰的图像更相似，但仍然存在无法产生正确对比度细节和生动色彩的风险（图4中的第3和第6幅图像）。因此，我们还介绍了平滑度和颜色损失。根据平滑先验[23，20，2]，自然图像中的照明通常是局部平滑的。在我们的网络中采用这种先验有两个优点。首先，它有助于减少过度拟合并提高网络第二，它增强了图像对比度。当相邻像素p和q具有相似的照度值时，它们在增强图像中的对比度可以被估计为|Ip−Iq|S−1|Ip−Iq|，其中其中，Li、Li和Li是损耗分量，ωr、ωspr s c和ωc是相应的权重。注意，我们经验地设置ωr=1，ωs=2，ωc=1。也应该扩大，因为S≤1。因此，我们定义预测的全分辨率照明上的平滑度损失，国家S在图3中，重建损失为了获得预测的照度S，我们将L2误差度量定义为Σ ΣI psx，cp c（中文）2py，c（S）2，（4）i= Ii-SI2，（3）其中我们对所有像素的所有通道（c）求和;阿莱克斯和阿莱克斯是水平和垂直方向的偏导数S.T. （Ii）c≤（S）c≤1，在图像空间中;而ω p而ωp是空间变化的其中Ii和Ij中的所有像素通道伊 被归一化（每通道）平滑度权重，表示为到[0，1]，（）c∈{r，g，b}表示像素颜色通道，以及px，c=（|x L p|θ+θ）−1，（五）（Ii）c≤（S）c≤1为多通道照明范围ωp =（|p.p.|θ+θ）−1。约束由于F（Ii）=S−1<$Ii，设IiSy，cyIc边界确保增强区域中的所有颜色通道结果F（Ii）是（上）有界的，因此避免了颜色这里，Li是输入图像Ii的对数图像;θ= 1。2是控制对图像的灵敏度的参数Lω+ω6853C图5：我们数据集中的示例图像。 顶部：输入。 底部：对应的专家修饰的参考图像。梯度;而λ是一个小常数，通常设置为0.0001，防止被零除。直观地，平滑度损失促使照明在具有小梯度的像素上是平滑的，而在具有大梯度的像素上是不连续的。有趣的是，对于曝光不足的照片，图像内容和细节往往很弱。大梯度更可能是由不一致的照明引起的。如图4中的第4幅图像所示，通过进一步合并平滑度损失，与仅重建损失产生的结果相比，我们恢复了良好的图像对比度和更清晰的细节。颜色损失接下来，我们将颜色损失公式化，以使Ii的生成图像F（Ii）中的颜色与对应的经过曝光修饰的图像Ii中的颜色匹配，Σ（约4%）曝光不足的图像。第二，基准数据集中的欠曝光图像覆盖有限的光照条件;它缺乏挑战性的情况，例如夜间图像和具有非均匀照明的图像。为了准备我们的数据集，我们首先使用Canon EOS5D Mark III和Sony ILCE-7捕获分辨率为6000×4000的图像，并通过搜索关键字“under-”从Flickr中曝光”、“低光”和“背光”。然后，我们从摄影学院招募了三位专家，使用Adobe Lightroom为每个收集的图像准备了一张经过修饰的参考图像。我们的数据集是多样化的;它涵盖了广泛的照明条件、场景、主题和风格。请参见图5中的一些图像对。最后，我们将数据集中的图像随机分为两个子集：2，750张图像用于训练，其余用于测试。Li=（（F（Ii））p，（Ip（六）3.5.实现细节其中（）p表示像素;（，）是计算RGB颜色中两种颜色之间角度的运算符作为一个3D矢量。当量（6）对F（Ii）和I（ii）中每个像素对的颜色向量之间的角度求和。我们之所以用这个简单的公式在其他颜色空间中的L2首先，重建损失已经隐含地测量了L2色差.其次，由于L2度量仅数值地测量色差，因此它不能确保颜色向量具有相同的方向。因此，该度量可引起明显的颜色失配。这可以通过比较图4中有和没有颜色损失的第4和第5结果来观察。最后但并非最不重要的是，公式是简单和快速的网络计算。3.4. 训练数据集我们准备了一个包含3,000张图像的新数据集。我们在它而不是MIT-Adobe FiveK数据集[3]上训练了我们的网络，原因有两个。首先，FiveK数据集主要是为了增强一般照片而不是曝光不足的照片而创建的;它只含有一小部分我 们在 TensorFlow [1]上 构建 我们 的网 络， 并在NVidia Titan X Pascal GPU上以16的小批量大小训练它40个epoch。整个网络使用Adam优化器进行优化，固定学习率为10−4。为了增加数据，我们随机裁剪了512 ×512补丁，然后随机镜像，调整大小和旋转所有补丁下采样输入具有256×256的固定分辨率。编码器网络是预训练的VGG16 [24]。局部特征提取器包含两个卷积层，而全局特征提取器包含两个卷积层和三个全连接层。此外，我们使用双边基于网格的模块[13]对输出进行上 采 样 。 我 们 的 代 码 和 数 据 集 可 在https://github.com/wangruixing/DeepUPE获得。4. 实验结果数据集我们评估了我们的网络（i）我们的数据集，(ii) MIT-Adobe FiveK [3]数据集有5，000个原始图像，年龄，每个有五个由不同的专家（A/B/C/D/E）制作的修饰图像对于MIT-Adobe FiveK数据集，我们遵循之前的方法[13，15，22]仅使用输出6854(a) 投入（b）JieP [4]（c）HDRNet [13]（d）DPE [9](e)白盒[15]（f）扭曲和恢复[22]（g）我们的结果（h）专家修改图6：在我们数据集的测试图像（a）上与最先进的方法进行视觉比较(a) 投入（b）JieP [4]（c）HDRNet [13]（d）DPE [9](e)白盒[15]（f）扭曲和恢复[22]（g）我们的结果（h）专家修改图7：在来自MIT-Adobe FiveK [3]数据集的测试图像（a）上与最先进的方法进行视觉比较专家C随机选择了500张图像进行验证和测试，并对剩余的4,500张图像进行了训练。我们采用了两种常用的度量（即，PSNR和SSIM）来定量评估我们的网络在预测结果与相应的专家修图图像之间的颜色和结构相似性方面的性能虽然它不是绝对指示性的，但一般来说，高PSNR和SSIM值对应于相当好的结果。4.1. 与现有技术方法的我们将我们的方法与以下五种最先进的图像增强方法进行比较：（一）最新的基于Retinex的方法，JieP[4]，以及（二）-（五）最近的四种基于深度学习的方法HDRNet [13]，DPE [9]，White-[15]和扭曲和恢复[22]。为了公平的比较，我们使用作者提供的公开的实现来产生他们的结果，并推荐参数设置。对于这四种基于学习的方法，我们进一步在我们的数据集和MIT-Adobe FiveK数据集上重新训练它们的模型，以产生最好的结果。我们的比较是三重的。视觉比较首先，我们在图6和图7中示出了两种具有挑战性的情况下的视觉比较，这两种情况使用具有不可感知的风车细节的不均匀曝光的照片（来自我们的数据集）和具有很少的细节的整体低光照片（来自MIT-Adobe FiveK数据集）。比较结果，我们注意到我们的方法（h）相对于其他方法（b）-（f）的两个关键改进。首先，我们的方法能够恢复更多的细节和更好的对比度6855250Q1.细节是否容易理解？250Q2.颜色鲜艳吗？250Q3.结果在视觉上是否真实？200200200150150150100100100500JiePHDRNetDPEWBDR我们的500JiePHDRNetDPEWBDR我们的500JiePHDRNetDPEWB5DR Ours43200Q4.结果是否无过度曝光？250Q5. 它比输入更吸引人吗？250Q6.你的总体评分是多少？211502002001001501001501005050 500JiePHDRNetDPEWBDR我们的0JiePHDRNetDPEWBDR我们的0JiePHDRNetDPEWBDR我们的图8：用户研究中六个问题的各种方法的评分分布。纵轴示出了方法从参与者接收WB和DR意味着白盒[15]和失真和恢复[22]。表1：我们的方法和我们数据集上最先进的方法之间的定量比较（w/o -无）。方法PSNRSSIM人类发展报告网[13]26.330.743DPE [9]23.580.737白盒[15]21.690.718[22]第二十二话24.540.712我们的不含提单，不含提单，不含信用证27.020.762我们的有Lr，无Ls，无Lc28.970.783我们的有Lr，有Ls，无Lc30.030.822我们30.970.856表2：我们的方法与MIT-Adobe FiveK数据集上的最新技术之间的定量比较。方法PSNRSSIM人类发展报告网[13]28.610.866DPE [9]24.660.850白盒[15]23.690.701[22]第二十二话28.410.841我们的不含提单，不含提单，不含信用证28.810.867我们的有Lr，无Ls，无Lc29.410.871我们的有Lr，有Ls，无Lc30.710.884我们30.800.893前景和背景，而不会明显牺牲图像的曝光过度/曝光不足部分。其次，它还重新显示了生动自然的色彩，使增强后的效果看起来更加逼真。请参阅补充材料了解更多的视觉比较结果。定量比较为了评估我们的网络的学习效率和泛化能力，我们使用PSNR和SSIM指标将其与其他方法进行定量比较。表1和表2报告了结果，其中对于每种情况，我们在各自的数据集上重新训练了我们的网络以及其他网络。请注意，我们的损失函数没有Lr，Ls和Lc减少到像素级的L2损失，补间数据集中对应的图像对这里我们不包括JieP [4]，因为它不是一种基于学习的方法。对于这两种比较，我们的方法表现更好，表明我们的方法不仅有效地学习了用于增强曝光不足照片的摄影调整，而且还很好地推广到具有有限曝光不足照片的MIT-Adobe FiveK数据集。此外，我们对500名参与者进行了用户研究，以比较结果。与[22]类似，我们首先从Flickr中抓取100张测试图像，这些图像具有超过50%的像素，然后，我们使用我们的方法和其他方法增强每个测试图像，并通过Amazon Mechanical Turk招募参与者对每组结果进行评分，这些结果以随机顺序呈现，以避免主观偏见。对于每个结果，要求参与者使用从1（最差）到5（最好）的Likert量表对图8中所示的六个问题中的每一个给出图8总结了结果，其中每个子图显示了特定问题上方法的六个评级分布。跨方法的分布表明，我们的结果更受人类受试者的青睐，其中与其他方法相比，我们的方法获得更多的“红色”评级和更少的“蓝色”评级。我们也6856(a) 投入（b）WVM [11]（c）JieP [4]（d）HDRNet [13](e)DPE [9]（f）白盒[15]（g）失真和恢复[22]（h）我们的结果图9：在我们的用户研究中使用的测试图像上与最先进的方法进行视觉比较(a)（b）我们的成果图10：失败案例。输入图像主要是黑色区域（顶行）和噪声（底行）。通过在我们的方法和其他方法之间进行配对t检验对评级进行统计分析结果很清楚：所有t检验结果均具有统计学显著性，p<0. 01.详情请参阅补充材料。此外，我们还扩展了用户研究，以比较结果也包含在补充材料中。4.2. 讨论消融研究除了图4所示的视觉结果外，我们还定量评估了我们方法中组件的有效性。比较表1和表2中的最后一行（我们的）和第五行（我们的，没有所有三个损失）中的统计，我们观察到我们的方法在学习图像到照明映射方面优于单纯的图像到图像映射的明显优势此外，每个表中的最后四行显示了通过以下方式对结果的逐步改进：在我们的方法中有更多的损失分量，对于MIT-AdobeFiveK数据集和我们的数据集。它们令人信服地证明了每个损失组成部分的有效性局限性图10给出了两个示例，其中我们的方法以及其他最先进的方法都未能产生视觉上令人信服的结果。对于上面的图像，我们无法恢复马体的细节，因为该区域在原始图像中几乎是黑色的，没有任何纹理痕迹，而对于下面的输入，我们的方法没有清除增强结果中的因此更强的去噪能力将是我们未来的目标。5. 结论我们提出了一个新的端到端网络，用于增强曝光不足的照片。 我们的核心理念是学习图像到照明（而不是图像到图像）映射，以便利用自然图像中照明的简单性，使网络有效地学习各种各样的摄影调整。此外，我们设计了一个损失函数，该函数采用了各种光照约束和先验，并创建了一个包含3，000个曝光不足图像对的新数据集，使我们的网络能够在曝光不足的照片中恢复清晰的细节，鲜明的对比度和生动的色彩。我们对我们的数据集和MIT-Adobe FiveK数据集进行了广泛的实验，并将我们的方法与五种最先进的方法进行了比较，以显示我们的解决方案在视觉比较，PSNR和SSIM指标的定量比较以及涉及500名参与者的用户研究方面的优越性。我们未来的工作是将去噪模块集成到我们的网络中，并将我们的方法扩展到处理视频。另一个方向是通过利用场景语义分析和摄影图像合成中的技术来解决近黑色区域。6857引用[1] Mart´ın Abadi， Paul Barham ， Jianmin Chen ， ZhifengChen ， Andy Davis ， Jeffrey Dean ， Matthieu Devin ，Sanjay Ghe-mawat，Geoffrey Irving，Michael Isard，etal. TensorFlow：一个大规模机器学习系统。在OSDI，第16卷，第265-283页，2016中。5[2] Jonathan T Barron和Jitendra Malik。形状、照明和着色的 反 射 率 IEEE Transactions on Pattern Analysis andMachine Intelligence，37（8）：16704[3] VladimirBychko vsky ， Syl vainParis ， EricChan 和 Fre´doDurand。使用输入/输出图像对的数据库学习摄影全局色调调整CVPR，2011。二、五、六[4] 蔡博伦、徐先明、郭凯玲、贾奎、胡斌、陶大成。视网膜的联合内在-外在先验模型。InICCV，2017. 一二六七八[5] 蔡建瑞、古书航、张磊。从多曝光图像学习深度单图像对比度增强器IEEE Transactions on Image Processing，27（4）：2049-2062，2018。2[6] Chen Chen，Qifeng Chen，Jia Xu，and Vladlen Koltun.学会在黑暗中看东西。 在CVPR，2018年。3[7] Jiawen Chen ， Andrew Adams ， Neal Wadhwa ， andSamuel W Hasinoff.双边引导上采样。ACM Trans. onGraphics（SIGGRAPH Asia），35（6）：203，2016. 4[8] 陈纪文，西尔瓦因·帕里斯，杜兰德神父。双边网格的实时边缘感知图像处理。26（3）：103，2007. 4[9] 陈 玉 生 、 王 玉 清 、 高 满 新 、 庄 永 玉 Deep photoenhancer：使用GAN从照片中进行图像增强的非配对学习在CVPR，2018年。一二六七八[10] Yubin Deng，Chen Change Loy，and Xiaoou Tang.通过对抗学习实现美学驱动的图像增强。在MM。ACM，2018。2[11] Xueyang Fu ， Delu Zeng ， Yue Huang ， Xiao-PingZhang，and Xinghao Ding.同时估计反射率和照度的加权变分模型。在CVPR，2016年。一二三八[12] Mi cha eülGharbi ， Gaura vChaurasia ， Syl vainParis ，andFre´ doDurand.深度联合去马赛克和去噪。ACM Trans.on Graphics（SIGGRAPH Asia），35（6）：191，2016.4[13] Mi c ha e？ lGharbi ，Ji a wenChen ，JonathanTBarron ，SamuelWHasino f f，andFr e？doDurand. 用于实时图像增强的深度双边学习 ACM Trans. on Graphics（SIG-GRAPH），36（4）：118，2017。一、二、四、五、六、七、八[14] 郭晓洁，李宇，凌海滨。LIME：通过照明图估计的低光图像增强。IEEE Transactions on Image Processing，26（2）：982-993，2017。二、三[15] 胡渊明，何昊，徐晨曦，王宝源，林志颖。Exposure：一个白盒照片后处理框架。ACM Trans. on Graphics（SIG- GRAPH），37（2）：26，2018. 一二三五六七八[16] Sung Ju Hwang，Ashish Kapoor，and Sing Bing Kang.基于上下文的自动局部图像增强。ECCV，2012年。1[17] Andrey Ignatov 、 Nikolay Kobyshev 、 Radu Timofte 、Kenneth Vanhoey和Luc Van Gool。使用深度卷积网络在移动设备InICCV，2017.1[18] Andrey Ignatov 、 Nikolay Kobyshev 、 Radu Timofte 、Kenneth Vanhoey和Luc Van Gool。WESPE：用于数码相机的弱监督照片增强器。在CVPR，2018年。2[19] 埃 德 温 ·H· 兰 德 色 觉 的 视 网 膜 理 论 。 ScientificAmerican，237（6）：108-129，1977. 2[20] 作者声明：by Michael S.使用相对平滑度的单个图像层分离。CVPR，2014。4[21] Kin Gwn Lore ， Adedotun Akintayo ， and SoumikSarkar.Ll-net：一种用于自然低光图像增强的深度自动编码器方法Pattern Recognition，61：650-662，2017. 2[22] Jongchan Park，Joon-Young Lee，Donggeun Yoo，andIn So Kweon. 失真和恢复：使用深度强化学习的颜色增强在CVPR，2018年。一二三五六七八[23] Carsten Rother，Martin Kiefel，Lumin Zhang，BernhardSch o？l k opf，andPeterVGeh l e r. 在反射率上具有全局稀疏性先验的本征图像NIPS，2011年。4[24] Karen Simonyan和Andrew Zisserman用于大规模图像识别 的 非 常 深 的 卷 积 网 络 。 arXiv 预 印 本 arXiv ：1409.1556，2014。5[25] J·亚历克斯·斯塔克。使用直方图均衡化的泛化的自适应图 像 对 比 度 增 强 。 IEEE Transactions on ImageProcessing，9（5）：889-896，2000. 1[26] 王书航、赵云、张晋范、蒙吉阿比迪、白俊基。用于户外图像增强的对比度相关饱和度调整。JOSA A，34（1）：71[27] 王书航、金正、胡海淼、波丽。非均匀光照图像的自然性 保 持 增 强 算 法 。 IEEE Transactions on ImageProcessing，22（9）：3538-3548，2013. 2[28] 严建州、林瑞麟、康星冰、唐晓鸥。一种用于图像色彩增强的学习排序方法CVPR，2014。2[29] Zhicheng Yan ， Hao Zhang ， Baoyuan Wang ， SylvainParis，and Yizhou Yu.使用深层神经网络的自动照片调整ACM Trans. on Graphics，35（2）：11，2016. 2[30] Xin Yang ， Ke Xu ， Yibing Song ， Qiang Zhang ，Xiaopeng Wei，and Rynson WH Lau.通过深循环hdr变换的图像校正。在CVPR，2018年。2[31] Zhenqiang Ying，Ge Li，Yurui Ren，Ronggang Wang，and Wenmin Wang.一种新的基于相机响应模型的微光图像增强算法。InICCV，2017. 2[32] 陆渊和孙剑。消费者照片的自动曝光校正。ECCV，2012年。1[33] 张庆，袁干昭，肖春霞，朱磊，郑伟世。高质量的曝光校正曝光不足的照片。在MM。ACM，2018。2[34] 卡雷尔·泽德维尔德对比度受限自适应直方图均衡化。《图形宝石》，第474-485页，1994年。1